医学图像分割是进入新世纪以来日益蓬勃发展的一项技术,在许多医疗任务中都需要对医学图像进行初步的处理,因此医学图像分割任务已经成为众多科研人员热衷的领域。为了得到更好的分割结果许多经典的算法和网络被提出,例如机器学习算法、深度学习甚至图论算法。本文主要研究了医疗图像领域中交互式方法在深度学习应用。在医疗图像中将交互式方法和深度学习相结合,通过用户提供交互信息给深度学习框架,引导网络参数朝着用户指定的效果优化。这样一来医疗图像就能够避免深度学习带来的分割不全面以及交互式分割中不精准的问题。本文通过解决交互式在医疗图像中遇到的问题,从而不断改进交互式框架的结构使其更加适应真实任务场景,提高效率。本文研究内容有:（1）多重网络联合训练交互式图像分割。在传统的深度学习中,是通过网络的参数和结构进行拟合的,这种方式会受限于网络结构,因此常常会出现很多的网络结构来处理同一任务,这样会造成过度冗余的效果。通过使用多网络联合训练并交互,能够帮助用户很快定位到分割错误的位置从而改正这个错误。（2）多尺度信息交互图像分割。在大多数的交互分割网络中,用户进行交互的对象都是不包含图像的空间信息的分割结果。这样的分割结果不能体现出网络对图像空间信息的使用情况,因此用户也无法对这种信息进行交互。通过使用多尺度信息交互网络分割方法,用户可以对网络的多层次提取特征进行交互从而影响网络整体的提取特征能力,加强最终分割结果。（3）面向医疗图像微小结构的交互式优化。在很多医疗图像中存在许多难以分割的微小物体,即使在已经使用交互式提高网络分割精度之后,对这些微小物体分割也难以做到尽善尽美,因此本文提出区域增长算法对交互方法进行优化用以解决这些问题,实现对微小物体的检测。